基于特征选择的K-means聚类异常检测技术

简介：
本研究提出了一种改进的K-means聚类算法，通过引入有效的特征选择方法来提升异常数据点检测的准确性和效率。 K-means算法是一种利用距离作为相似性评价指标的聚类方法，在异常检测场景中具有一定的应用价值。然而，传统K-means算法在初始中心选取及度量样本间相似性的过程中存在不足之处。为了改进这些问题，本段落对原有方法进行了优化：首先，在初始化阶段采用了一种更为有效的策略来确定初始聚类中心，以此替代了原来的随机选择方式，并减少了计算需求和迭代次数；其次，引入信息熵属性加权的样本相似性度量机制以更准确地反映数据间的差异。在实验环节中，鉴于异常检测任务中的数据可能存在冗余特征的问题，对原始的数据进行了预处理以便去除这些无关紧要的信息。最终结果表明改进后的算法相比传统K-means方法具有更好的性能表现。